飞机实时测试序列生成算法研究及仿真

测试序列问题是基于诊断树方法的实时故障诊断中的关键问题,且被证明属于NPC类问题。针对这一问题,文章在信息论和与/或树启发式搜索算法的基础上,提出了一种单步反馈平衡算法。它可以有效削减计算复杂度,生成测试序列的平均测试代价、平均测试点数,以及建模过程中的反馈次数、扩展节点数均优于已有算法。     

基于DPSO-AO*算法系统测试序列优化问题研究

为了使复杂装备信息处理系统在进行故障定位过程中耗时最少、成本最低,建立了系统测试序列优化问题的数学模型。基于DPSO-AO^*算法的改进,得到信息处理系统的最优测试策略决策树,根据信息处理系统的相关矩阵,按故障概率,随机生成故障,采用相应的测试序列进行测试,最后利用累计测试费用进行比较,从而证明了改进的DPSO-AO^*算法正确有效。     

基于梦境粒子群优化的类集成测试序列生成方法

类集成测试序列的确定是面向对象类集成测试技术中的一个重要课题。合理的类集成测试序列可以降低为其构造测试桩的总体复杂度,从而减小测试代价。针对粒子群优化算法容易早熟的缺陷,文中提出一种基于梦境粒子群优化算法的类集成测试序列生成方法。首先把每个类集成测试序列映射为一维空间中的一个粒子,然后将粒子看作有做梦能力的个体。每个迭代周期分为白天和夜间两个阶段,在白天阶段粒子正常移动,而在夜间阶段粒子根据各自的做梦能力扭曲当前位置。如此,粒子有机会在当前位置附近进行搜索,使得算法减缓收敛速度,避免过早陷入局部最优。实验结果表明,多数情况下该方法可以得到测试代价更小的类集成测试序列。     

面向类集成测试序列生成的强化学习研究

集成测试是软件测试过程中不可缺少的步骤, 针对在集成测试中如何对系统中的类合理排序的问题, 国内外研究者提出了多种生成类集成测试序列的方法, 然而他们大多没有将测试桩复杂度作为评估测试代价的指标.针对该问题, 提出面向类集成测试序列生成的强化学习研究方法, 以总体测试桩复杂度为评价测试代价的指标, 生成测试代价尽可能低...     

A*算法在车辆导航系统中的应用研究

在十分复杂的交通地形图中,通过分析完备性、最优性、时间复杂度、空间复杂度性能问题,使用当代流行的智能语言-Mathematica,提出三组不同估价函数对基于启发式搜索的A*算法进行优化,从而实现了车辆导航的高效率化.实验结果表明:优化后的估价函数是切实有效的,在应用导航系统中得到了较满意的选路方案.     

基于蚁群算法的雷达系统测试序列优化研究

随着微电子技术的发展,电子装备结构、功能日趋复杂,电子装备的保障面临的困难也越来越大。文章以多信号模型为基础,以提高电子装备故障诊断能力为目的,开展了测试性分析和基于蚁群算法的测试序列优化研究。最后通过实例证实了算法的可行性和有效性,为雷达系统的测试诊断和功能验证提供了一种新的方法。     

基于蚁群算法的系统级序贯测试优化研究

针对系统故障诊断中的序贯测试优化问题,文章采用蚁群算法,把系统级测试序列优化问题转换为蚁群建立最小完备测试序列的问题;通过构建蚁群的状态转移规则和信息素反馈机制,实现对系统级测试序列的优化;实例证明此算法具有良好的性能和可行性,有效地解决了系统级的序贯测试优化问题.     

基于遗传退火算法的测试序列优化研究

最优测试序列的生成是大型复杂系统可测试性设计中极为重要的一步,可利用遗传退火算法解决组合优化问题的优越性来生成最优测试序列。建立最优测试序列问题的数学模型,利用优先权布尔矩阵式编码方案来对测试序列进行编码,设计交算子和两种变异算子,并引入与或树来说明算法搜索最优序列的全过程,在MatLab上进行仿真实验。实验结果表明,该算法取得较好的效果,具有一定的参考价值。     

基于灰狼算术混合优化算法的类集成测试序列生成方法

集成测试是软件测试的重要环节,如何决定类的集成顺序是面向对象集成测试难解决的问题之一。已有研究成果证实了基于搜索的类集成测试序列生成方法的有效性,但存在收敛速度慢、寻优精度低的问题。灰狼优化算法(Grey Wolf Optimizer, GWO)中狼群易聚集在相近的区域,易早熟收敛。算术优化算法(Arithmetic Optimization Algorithm, AOA)是新近提出的元启发式优化算法,具有良好的随机性及分散性。为此,提出了一种灰狼优化算法和算术优化算法的混合优化算法(GWO-AOA)。GWO-AOA保留GWO的位置更新策略,选用群体领导层的中心个体替换AOA的引导个体,以平衡算法的全局探索和局部开发能力,进一步引入随机游动的精英变异机制,提高算法整体的寻优精度。实验结果表明,GWO-AOA相比同类方法能用较短的时间生成测试桩代价较低的类集成测试序列,收敛速度较快。     

采用循环移位和优化编码的测试压缩方法

日益增加的集成电路测试成本变得越来越难以接受,因而提出了一种简单而有效的解决方案.该方案把循环移位技术应用到测试数据压缩中,比起一般的移位技术,该方案更能有效地利用测试集中无关位.结合异或逻辑运算,所提方案累积无关位,进一步提高测试向量与其参考向量的相容性和反向相容性.在编码过程中对各种可能移位状态进行统计,建立Huffman树,找出最优化编码形式,因而可以增加短码字的利用率,减少长码字的使用频次.通过给出的分析和实验,说明了所提方案在附加硬件成本很低的情况下既能够提高测试数据压缩率,又能够减少测试时间,优于已发表的游程编码方案和其他同类型的编码压缩技术.     

基于DPSO的改进AO*算法在大型复杂电子系统最优序贯测试中的应用

针对大型复杂电子系统最优序贯测试问题,提出一种基于离散粒子群算法(DPSO)和改进AO~*算法相结合的方法.DPSO优化AO~*算法中每个要扩展节点的测试集从而减少测试个数;改进AO~*算法通过规定扩展节点估价值的范围,减少其回溯次数.实例验证表明,该算法不仅有效地降低了计算复杂度,大大减少测试代价,缩短测试时间,而且避免了原有AO~*算法当备选的测试集太大时容易出现"计算爆炸"的缺点.     

基于A^＊算法的八数码问题的优化实现

用人工智能领域中经典的A^＊算法解决了人工智能中常见的八数码问题。本文首先介绍了八数码问题,然后对A^＊算法进行了解释。针对八数码问题给出并证明了路径不存在时的条件,并事先作了判定。定义了灵活的估价函数,分析了估价函数对程序效率的影响,并对Closed表进行了若干优化,提高了搜索效率,取得了较好的效果。     

哈夫曼编码的协同粒子群优化算法

针对粒子群优化（PSO）算法在优化问题过程中易陷入局部最优的问题,提出一种基于哈夫曼编码的协同粒子群优化（HC PSO）算法。采用哈夫曼编码将种群划分成2个子种群并对2个子种群进行独立优化,同时,2子种群之间协同完成搜索种群的全局最优解。采用6个标准测试函数来测试算法性能。实验结果表明,该算法可以有效地避免种群陷入局部最优,具有较好的优化性能和稳定性,收敛精度得到了显著的提高。     

A*算法在BDD变量最优排序方法中的应用

介绍了二叉判定图(BDD)的相关知识及在构造BDD过程中变量顺序对其结点数的影响,在Friedman等提出的一种寻找最优变量排序算法的基础上,将广泛应用于人工智能的A*搜索算法引入到最优变量排序方法中,提出了一种寻找变量最优排序的新方法。该方法在寻求BDD最优变量排序的过程中,使处理器的处理时间和存储器的空间需求上都有很大的改善。     

多值测试诊断策略优化设计

针对电子系统中多值测试条件下的测试排序问题,提出了一种诊断策略优化方法。首先,以相关性矩阵模型为基础,将已有的二值测试的优化算法同多值测试问题相结合,提出了适用于多值测试的基于霍夫曼编码的启发式函数;其次,将平均测试代价最小和平均测试步骤最少作为优化目标,采用与或树启发式搜索算法生成诊断树,得到多值测试的诊断策略,并给出了诊断策略优化方法的具体实现步骤;最后,将其应用到航空设备的实例中。结果表明提出的基于霍夫曼编码的与或树启发式搜索算法是可行的,其生成的诊断树是最优的,比基于信息熵的与或树启发式搜索算法具有更小的平均测试代价和更少的平均测试步骤。     

双向搜索机制的改进A*算法研究

针对大规模环境下传统A*算法路径寻优存在的内存占有率高、计算效率低下的问题,提出了一种改进A*算法.引入了双向搜索机制,以原始起点、终点和对向搜索所处的当前节点作为目标点进行搜索操作,使AGV的路径寻优具备更加合理的方向性;优化评价函数,改进了评价函数的传统计算方式,通过测试为评价函数选择了合适的权重系数,减少路径寻优...     

改进A*算法的智能车路径规划研究

由于A*算法所规划的路径存在着转折次数多,路径不平滑,路径贴合障碍物和初始时刻转折角度过大等不符合车辆运动学的问题。为了解决上述问题,获得适用于智能车的优化路径,本文通过对车辆运动学建模得到车辆的约束,同时在估价函数中加入车身轮廓代价和障碍物距离代价,并将车辆约束加入到A*算法的启发函数和路径优化中,再使用贝塞尔曲线拟合转折点,使A*算法所生成的路径更加符合车辆的运动学。通过分析改进A*算法可知,改进后的算法所规划的路径更加平滑、合理且符合车辆的运动特性。     

基于改进A*算法机器人路径规划研究

针对移动机器人全局路径规划问题提出一种改进A*算法。首先建立栅格地图,基于传统A*算法,进行邻域扩展,将传统8邻域扩展到24邻域,使路径方向具有更多选择,减少不必要的转折点。优化改进A*算法的启发式函数,不再采用单一的曼哈顿距离或者欧几里得距离,将其进行融合改进,剔除路径中冗余节点和多余转折点。最后将全局路径与动态窗口法相结合,结合各自的优点,充分考虑到机器人全局最优路径的同时能安全避开障碍物,得到一条平滑轨迹。各个算法进行验证之后采用ROS平台对系统进行仿真分析,实验结果表明,改进后算法具有更优秀的路径规划能力。     

汉英统计机器翻译中A*搜索算法研究与实现*

分析了基于IBM Model 4的A*搜索算法和启发函数，由于仅靠启发函数难以找到最优译文，因此在搜索中采用了部分宽度搜索，以扩大搜索的范围。将该算法应用于汉英统计机器翻译中，实验结果表明改进后的算法获得了较好的翻译质量和效率。